雷鋒網(wǎng)AI金融評(píng)論按：7月12日-7月14日，2019第四屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2019）于深圳正式召開。峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦，得到了深圳市政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流博覽盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域極具實(shí)力的跨界交流合作平臺(tái)。

7 月 13 日，香港科技大學(xué)講席教授，微眾銀行首席AI官，IJCAI理事會(huì)主席楊強(qiáng)為 CCF-GAIR 2019「AI 金融專場(chǎng)」做了題為「聯(lián)邦學(xué)習(xí)的最新發(fā)展及應(yīng)用」的大會(huì)報(bào)告，以下為楊強(qiáng)教授所做的大會(huì)報(bào)告全文。

大家好，今天很榮幸和大家分享聯(lián)邦學(xué)習(xí)的最新發(fā)展與應(yīng)用。

AI機(jī)器人助力金融

我們首先來看下微眾銀行這兩年所做的努力和成就。

微眾銀行的目標(biāo)是建立起強(qiáng)大的AI能力，助力小微企業(yè)成長(zhǎng)。要做到這點(diǎn)，先不妨把金融各個(gè)環(huán)節(jié)分解開來，用以發(fā)現(xiàn)其中可以用人工智能革新的場(chǎng)景：

比如可以用人工智能來幫助做業(yè)務(wù)咨詢（企業(yè)畫像），企業(yè)在申請(qǐng)貸款和賬號(hào)時(shí)，進(jìn)行身份核實(shí)，這其中包括法人身份核實(shí)和個(gè)人申請(qǐng)賬戶身份核實(shí)，以及資料的審核等；此外AI可以賦能的地方還包括操作放款，貸前、貸終、貸后，整個(gè)流程都可實(shí)現(xiàn)自動(dòng)化。

具體的產(chǎn)品案例有以下幾種：

一是語(yǔ)音客服機(jī)器人。這類產(chǎn)品我們聽過很多，比如智能音箱等。現(xiàn)在語(yǔ)音客服機(jī)器人在垂直領(lǐng)域已經(jīng)做得非常細(xì)分化，目前，微眾銀行98%的客戶問題由智能客服機(jī)器人提供7×24小時(shí)的解答，而且用戶滿意度頗高。為什么能做到這點(diǎn)？因?yàn)槔锩嫒诤狭撕芏嗳斯ぶ悄艿淖钚录夹g(shù)。

大家都知道，對(duì)話系統(tǒng)中有一個(gè)很難的問題，是如何進(jìn)行多輪問答。

以音箱的語(yǔ)音交互為例，我們知道一般情況下，每執(zhí)行一個(gè)口令任務(wù)，都需要用戶說一次喚醒詞，然后它才會(huì)回答你。而到了下一個(gè)問句，你又要說同樣的喚醒詞，再問它問題。而多輪問答是只要叫醒一次就可以進(jìn)行多次問答。

這個(gè)技術(shù)實(shí)現(xiàn)過程里有很多難題：比如要理解每句話的意圖和整個(gè)對(duì)話線程的意圖。此外還需要進(jìn)行情感分析，比如在一些場(chǎng)景中，需要分辨出客戶的急躁或不滿，也需分析出客戶的興趣點(diǎn)，機(jī)器只有區(qū)分開這些細(xì)微的信號(hào)，才能實(shí)現(xiàn)優(yōu)質(zhì)的多輪對(duì)話效果。除此之外，還要進(jìn)行多線程的分析，比如用戶說的上一句和下一句話意圖不同，前言不搭后語(yǔ)，機(jī)器需把這個(gè)邏輯分解出來。

總的來說，這個(gè)領(lǐng)域還有非常多的工作要做。我們的看法是，對(duì)話系統(tǒng)最好的落地場(chǎng)景是：擁有上億用戶的垂直領(lǐng)域。

二是風(fēng)控對(duì)話機(jī)器人。對(duì)話機(jī)器人還可以做風(fēng)控，比如在和客戶對(duì)話的過程中發(fā)現(xiàn)一些蛛絲馬跡，辨別對(duì)方是否是在進(jìn)行欺詐。就像我們面試一個(gè)人或者和借款人交流時(shí)，隨時(shí)隨地都要提高警惕，防止對(duì)方欺詐。

我們?cè)倥e一個(gè)車險(xiǎn)匯報(bào)的例子，發(fā)生車禍了，到底誰(shuí)是責(zé)任人？可能匯報(bào)人的回答會(huì)出現(xiàn)前后不一致，機(jī)器人通過對(duì)這些細(xì)節(jié)的識(shí)別來實(shí)現(xiàn)測(cè)謊。

三是質(zhì)檢機(jī)器人。金融領(lǐng)域很特別的是，每次在客服與客戶對(duì)話過程中和對(duì)話之后都要對(duì)對(duì)話質(zhì)量進(jìn)行檢測(cè)。過去每個(gè)對(duì)話都是錄音，成百上千的錄音，人工沒有辦法一條條過，所以我們現(xiàn)在用自研的語(yǔ)音識(shí)別加意圖識(shí)別手段，來發(fā)現(xiàn)客服對(duì)話質(zhì)量不好的地方，進(jìn)行自動(dòng)質(zhì)檢。

（微眾AI：質(zhì)檢機(jī)器人）

上圖是質(zhì)檢流程，我們?cè)谧⒁饬C(jī)制下用深度學(xué)習(xí)來幫助做對(duì)話理解。質(zhì)檢可以幫助發(fā)現(xiàn)用戶貸款時(shí)，客服需要做的改進(jìn)，比方有些不應(yīng)該拿貸款去投放給非常有風(fēng)險(xiǎn)的人或場(chǎng)景，有的時(shí)候，客服也要保持微笑的態(tài)度，如果質(zhì)檢機(jī)器人發(fā)現(xiàn)機(jī)器人客服態(tài)度不好，也會(huì)自動(dòng)預(yù)警。

以上這些都是微眾銀行在服務(wù)類機(jī)器人方面所做的工作。

小數(shù)據(jù)與隱私保護(hù)的雙重挑戰(zhàn)

不難看出人工智能在小微企業(yè)、貸款、互聯(lián)網(wǎng)銀行等上都有很多應(yīng)用。不過這些應(yīng)用同樣也遇到很多挑戰(zhàn)，以至于我們有必要發(fā)明一些新的算法。主要有哪些挑戰(zhàn)呢？概括來講有三點(diǎn)：

第一，“對(duì)抗學(xué)習(xí)”的挑戰(zhàn)。即針對(duì)人工智能應(yīng)用的作假，比如人臉識(shí)別就可以做假，針對(duì)面部進(jìn)行合成。如何應(yīng)對(duì)這種“對(duì)抗學(xué)習(xí)”的挑戰(zhàn)，這是金融場(chǎng)景下人工智能安全領(lǐng)域的重大題目。

第二，小數(shù)據(jù)的挑戰(zhàn)。沒有好的模型就無法做到好的自動(dòng)化，好的模型往往需要好的大數(shù)據(jù)，但往往高質(zhì)量、有標(biāo)簽的數(shù)據(jù)都是小數(shù)據(jù)。

假設(shè)收集數(shù)據(jù)3年，是不是就可以形成大數(shù)據(jù)？不是這樣的，因?yàn)閿?shù)據(jù)都在變化，每個(gè)階段的數(shù)據(jù)和上一個(gè)階段的數(shù)據(jù)有不同的分布，也許特征也會(huì)有不同。實(shí)時(shí)標(biāo)注這些數(shù)據(jù)想形成好的訓(xùn)練數(shù)據(jù)又需要花費(fèi)很多人力。

不僅金融場(chǎng)景，在法律場(chǎng)景也是這樣，醫(yī)療場(chǎng)景更是如此。每個(gè)醫(yī)院的數(shù)據(jù)集都是有限的，如果不能把這些數(shù)據(jù)打通，每個(gè)數(shù)據(jù)集就只能做簡(jiǎn)單的模型，也不能達(dá)到人類醫(yī)生所要求的高質(zhì)量的疾病識(shí)別。

然而，現(xiàn)在把數(shù)據(jù)合并變得越來越難，我們看到Facebook的股價(jià)此前出現(xiàn)過一天內(nèi)斷崖式下跌，主要是因?yàn)楫?dāng)時(shí)有新聞報(bào)道它和美國(guó)一個(gè)公司之間的數(shù)據(jù)共通影響了美國(guó)大選。

這類事情不僅引起資本市場(chǎng)的振動(dòng)，法律界也開始有很大的動(dòng)作，去年5月份歐洲首先提出非常嚴(yán)格的數(shù)據(jù)隱私保護(hù)法GDPR。GDPR對(duì)于人工智能機(jī)器的使用、數(shù)據(jù)的使用和數(shù)據(jù)確權(quán)，都提出非常嚴(yán)格的要求，以至于Google被多次罰款，每次金額都在幾千萬歐元左右。

因?yàn)镚DPR其中一則條文就是數(shù)據(jù)使用不能偏離用戶簽的協(xié)議，也許用戶的大數(shù)據(jù)分析，可以用作提高產(chǎn)品使用體驗(yàn)，但是如果公司拿這些數(shù)據(jù)訓(xùn)練對(duì)話系統(tǒng)，就違反了協(xié)議。如果公司要拿這些數(shù)據(jù)做另外的事，甚至拿這些數(shù)據(jù)和別人交換，前提必須是一定要獲得用戶的同意。

另外還有一些嚴(yán)格的要求，包括可遺忘權(quán)，就是說用戶有一天不希望自己的數(shù)據(jù)用在你的模型里了，那他就有權(quán)告訴公司，公司有責(zé)任把該用戶的數(shù)據(jù)從模型里拿出來。這種要求不僅在歐洲，在美國(guó)加州也實(shí)行了非常嚴(yán)格的類似的數(shù)據(jù)保護(hù)法。

中國(guó)對(duì)數(shù)據(jù)隱私和保護(hù)也進(jìn)行了非常細(xì)致的研究，從2009年到2019年有一系列動(dòng)作，而且越來越嚴(yán)格，經(jīng)過長(zhǎng)期的討論和民眾的交互，可能在今年年底到明年年初會(huì)有一系列正式的法律出臺(tái)。

（國(guó)內(nèi)數(shù)據(jù)監(jiān)管法律體系研究）

因此我們會(huì)面對(duì)這樣的困境：一方面我們的數(shù)據(jù)大部分是小數(shù)據(jù)，另一方面數(shù)據(jù)的合并會(huì)違反隱私法規(guī)。除了法規(guī)限制之外，利益驅(qū)使下公司們也不愿意把數(shù)據(jù)拿出來和其他公司交換。在這種現(xiàn)象下，很多人覺得很失望，覺得很灰暗，覺得人工智能的冬天也許又一次到來了。

但我們不這么看，我們覺得挑戰(zhàn)反而是一個(gè)機(jī)會(huì)，是一個(gè)機(jī)遇，這個(gè)機(jī)會(huì)使得我們有必要發(fā)明一種新的技術(shù)，在嚴(yán)格遵從法規(guī)的前提下還能夠把這些數(shù)據(jù)聚合起來建模。既保護(hù)隱私不把數(shù)據(jù)進(jìn)行交換，又能利用大數(shù)據(jù)建立模型，這種看似矛盾的事怎么才能達(dá)到呢？這就是聯(lián)邦學(xué)習(xí)（Federated Learning）的優(yōu)勢(shì)所在。

聯(lián)邦學(xué)習(xí)：橫向、縱向、遷移

先來看一個(gè)通俗的類比：我們每個(gè)人的大腦里都有數(shù)據(jù)，當(dāng)兩個(gè)人在一起做作業(yè)或者一起寫書的時(shí)候，我們并沒有把兩個(gè)腦袋物理性合在一起，而是兩個(gè)人用語(yǔ)言交流。所以我們寫書的時(shí)候，一個(gè)人寫一部分，通過語(yǔ)言的交流最后把合作的文章或者書寫出來。

我們交流的是參數(shù)，在交流參數(shù)的過程中有沒有辦法保護(hù)我們大腦里的隱私呢？是有辦法的，這個(gè)辦法是讓不同的機(jī)構(gòu)互相之間傳遞加密后的參數(shù)，以建立共享的模型，數(shù)據(jù)可以不出本地，這就是聯(lián)邦學(xué)習(xí)的精髓。

“聯(lián)邦學(xué)習(xí)”由Google在2016年首先提出，不過更多是2C的應(yīng)用。當(dāng)時(shí)Google特別關(guān)心它的安卓系統(tǒng)，2016年就在想能不能把下一代的安卓系統(tǒng)做成可以滿足GDPR保護(hù)用戶隱私。

安卓手機(jī)上有各種各樣的模型，比如打字的時(shí)候會(huì)給你建議下一個(gè)字，照相的時(shí)候會(huì)給你提示一個(gè)標(biāo)注、歸類，這些都是模型驅(qū)動(dòng)，這樣的模型是需要不斷更新的。

過去更新最簡(jiǎn)單的辦法是把每個(gè)手機(jī)里的數(shù)據(jù)定時(shí)上傳到云端，在云端建立大模型，因?yàn)槊總€(gè)人的數(shù)據(jù)是有限的，在幾千萬個(gè)手機(jī)的數(shù)據(jù)都上傳的情況下就有了大數(shù)據(jù)，就可以做大模型，做好后再把這個(gè)模型下傳到每個(gè)手機(jī)上，這樣就完成了一次手機(jī)端的更新。

但現(xiàn)在這種做法是違規(guī)的，因?yàn)槭謾C(jī)端用戶傳數(shù)據(jù)上去，Server就看到了用戶的數(shù)據(jù)。

這時(shí)候，聯(lián)邦學(xué)習(xí)的優(yōu)勢(shì)就出來了。從簡(jiǎn)單定義來講，聯(lián)邦學(xué)習(xí)是在本地把本地?cái)?shù)據(jù)建一個(gè)模型，再把這個(gè)模型的關(guān)鍵參數(shù)加密，這種數(shù)據(jù)加密傳到云端也沒有辦法解密，因?yàn)樗玫降氖且粋€(gè)加密數(shù)據(jù)包，云端把幾千萬的包用一個(gè)算法加以聚合，來更新現(xiàn)有的模型，然后再把更新后的模型下傳。重要的是，整個(gè)過程中Server云端不知道每個(gè)包里裝的內(nèi)容。

（基于同態(tài)加密的Model Averaging）

這聽起來好像很難的樣子，之前確實(shí)很難，但最近發(fā)生了一件很偉大的事，即加密算法可以隔著加密層去進(jìn)行運(yùn)算，這種加密方法叫“同態(tài)加密”，這種運(yùn)算效率最近取得了重大提升，所以聯(lián)邦學(xué)習(xí)就變成可以解決隱私，同時(shí)又可以解決小數(shù)據(jù)、數(shù)據(jù)孤島問題的利器。不過需要注意的是這只是2C的例子，是云端面對(duì)大用戶群的例子。

這個(gè)技術(shù)比較新，翻譯成中文是我們首先翻譯成“聯(lián)邦學(xué)習(xí)”，大家可能聽到其他的翻譯，比如“聯(lián)合學(xué)習(xí)、聯(lián)盟學(xué)習(xí)、協(xié)作學(xué)習(xí)”，我們決定采取聯(lián)邦學(xué)習(xí)的譯法，是因?yàn)槁犉饋肀容^入耳，一次就能記住，所以希望以后大家都叫聯(lián)邦學(xué)習(xí)。

現(xiàn)在科學(xué)進(jìn)入新領(lǐng)域，一定要涉及到多個(gè)學(xué)科的融合才能解決社會(huì)問題，聯(lián)邦學(xué)習(xí)就是很好的例子。

首先我們要了解加密和解密，保護(hù)隱私的安全方法。計(jì)算機(jī)領(lǐng)域已經(jīng)有很多研究，從70年代開始，包括我們熟悉的姚期智教授，他獲得圖靈獎(jiǎng)的研究方向是“姚氏混淆電路”，另外還有差分隱私等。

這么多加密方法它們是做什么的呢？就是下面的公式：

它可以把多項(xiàng)式的加密，分解成每項(xiàng)加密的多項(xiàng)式，A+B的加密，變成A的加密加B的加密，這是非常偉大的貢獻(xiàn)。因?yàn)檫@樣就使得我們可以拿一個(gè)算法，在外面把算法給全部加密，加密的一層可以滲透到里面的每個(gè)單元。能做到這一點(diǎn)就能改變現(xiàn)有的機(jī)器學(xué)習(xí)的教科書，把任何算法變成加密的算法。

目前這個(gè)事沒有做完，歡迎在座的博士生、碩士生趕快買一本機(jī)器學(xué)習(xí)的書，嘗試把一個(gè)一個(gè)算法變成加密的算法。

（橫向聯(lián)邦學(xué)習(xí) Horizontal Federated Learning）

我剛才講的是“橫向聯(lián)邦學(xué)習(xí)”，橫向聯(lián)邦學(xué)習(xí)是每行過來都可以看作一個(gè)用戶的數(shù)據(jù)。按照用戶來分，可以看作一、二、三個(gè)手機(jī)，它叫橫向?qū)W習(xí)。還有一個(gè)原因是它們的縱向都是特征，比如手機(jī)型號(hào)、手機(jī)使用時(shí)間、電池以及人的位置等，這些都是特征。他們的特征都是一樣的，樣本都是不一樣的，這是橫向聯(lián)邦學(xué)習(xí)。

主要做法是首先把信用評(píng)級(jí)得到，然后在加密狀態(tài)下做聚合，這種聚合里面不是簡(jiǎn)單的加，而是很復(fù)雜的加，然后把征信模型再分發(fā)下來。

我們很期待5G的到來，加快速率，5G對(duì)聯(lián)邦學(xué)習(xí)是大好事?，F(xiàn)在還沒有5G，所以大家想各種各樣網(wǎng)絡(luò)的設(shè)計(jì)，在底層網(wǎng)絡(luò)的設(shè)計(jì)，甚至有人在設(shè)計(jì)聯(lián)邦學(xué)習(xí)芯片，加速網(wǎng)絡(luò)的設(shè)計(jì)和溝通，這些都是研究者們關(guān)心的研究方向。

（縱向聯(lián)邦學(xué)習(xí) Vertical Federated Learning）

縱向聯(lián)邦加密，大家的Feature不一樣，一個(gè)機(jī)構(gòu)紅色、一個(gè)機(jī)構(gòu)藍(lán)色，大家可以想象兩個(gè)醫(yī)院，一個(gè)病人在紅色醫(yī)院做一些檢測(cè)，在藍(lán)色的醫(yī)院做另外一些檢測(cè)，當(dāng)我們知道這兩個(gè)醫(yī)院有同樣一群病人，他們不愿意直接交換數(shù)據(jù)的情況下，有沒有辦法聯(lián)合建模？

它們中間有一個(gè)部門墻，我們可以在兩邊各自建一個(gè)深度學(xué)習(xí)模型，建模的時(shí)候關(guān)鍵的一步是梯度下降，梯度下降我們需要知道幾個(gè)參數(shù)，上一輪參數(shù)、Loss（gradients）來搭配下一個(gè)模型的weight參數(shù)。這個(gè)過程中我們需要得到全部模型的參數(shù)級(jí)，這時(shí)候需要進(jìn)行交換，交換的時(shí)候可以通過同態(tài)加密的算法，也可以通過secure multiparty computation，這里面有一系列的算法，兩邊交換加密參數(shù)，對(duì)方進(jìn)行更新，再次交換參數(shù)，一直到系統(tǒng)覆蓋。

（聯(lián)邦遷移學(xué)習(xí) Federated Transfer Learning）

我剛才講的，它們或者在特征上一樣，或者在特征上不一樣，但是他們的用戶有些是有交集的，當(dāng)用戶和特征沒有交集時(shí)，我們退一步想，我們可以把他們所在的空間進(jìn)行降維或者升維，把他們帶到另外的空間去。

在另外的空間可以發(fā)現(xiàn)他們的子空間是有交互的，這些子空間的交互就可以進(jìn)行遷移學(xué)習(xí)。雖然他們沒有直接的特征和用戶的重合，我們還是可以找到共性進(jìn)行遷移學(xué)習(xí)，這種叫聯(lián)邦遷移學(xué)習(xí)。

聯(lián)邦學(xué)習(xí)三大案例

（基于聯(lián)邦學(xué)習(xí)的企業(yè)風(fēng)控模型）

我們來看一個(gè)微眾銀行和合作伙伴公司的案例。微眾的特點(diǎn)是有很多用戶Y，我們把數(shù)據(jù)集分為X和Y，X是用戶的特征和行為，Y是最后的結(jié)論，我們?cè)阢y行的結(jié)論是信用逾期是否發(fā)生，這是逾期概率，合作的伙伴企業(yè)可能是互聯(lián)網(wǎng)企業(yè)或者是賣車的或者賣保險(xiǎn)，不一定有結(jié)論數(shù)據(jù)Y，但是它有很多行為信息X。

現(xiàn)在這兩個(gè)領(lǐng)域?qū)τ谕慌脩羧绻?，屬于縱向聯(lián)邦學(xué)習(xí)，建立縱向聯(lián)邦學(xué)習(xí)的應(yīng)用，最后就取得了很好的效果，AUC指標(biāo)大為上升，不良率大為下降。

（聯(lián)邦學(xué)習(xí)解決方案效果）

這個(gè)例子表明兩個(gè)企業(yè)在數(shù)據(jù)不物理交換的前提下，確實(shí)有可能通過聯(lián)邦學(xué)習(xí)各自獲益，獲益的效果是因?yàn)閮蛇叺臄?shù)據(jù)確實(shí)不一樣，是互補(bǔ)的，在有聯(lián)邦學(xué)習(xí)和沒有聯(lián)邦學(xué)習(xí)的中間，聯(lián)邦學(xué)習(xí)起到了幾個(gè)作用：

商務(wù)上，如果我們給合作公司的老板解釋，用聯(lián)邦學(xué)習(xí)可以保護(hù)隱私，就更容易促成兩個(gè)企業(yè)的合作，這是商務(wù)上做BD同事非常高興，因?yàn)锽D的成功率大為提高。

技術(shù)上，確實(shí)可以保證合法的進(jìn)行聯(lián)邦學(xué)習(xí)，并且是有效果的。

再來看第二個(gè)案例，這個(gè)案例完全不是為了從商業(yè)角度，而是城市管理。我們知道有很多工地，工地上有很多攝像頭是用來監(jiān)測(cè)工地安全，比如我們想知道工人有沒有戴安全帽，有沒有火災(zāi)、有沒有人抽煙，以前是派人看，之后派攝像頭在鏡頭前看。

那現(xiàn)在我們能不能用自動(dòng)的方法、模型的方法來檢測(cè)這些事情的發(fā)生和這事情有多嚴(yán)重？在香港如果有工人不戴帽子，工地會(huì)被勒令停產(chǎn)三天，這對(duì)工期非常不利，以至于老板們非常緊張。之前老板們的做法是把攝像頭前面拿紙蒙上，不讓政府看到。政府發(fā)現(xiàn)了這一點(diǎn)，就規(guī)定只要蒙上就是違法，就停工三天。

因此現(xiàn)在有來找我說有沒有AI的辦法來做？不過AI的做法有不同的攝像頭，有政府的、有本地的，還有外包公司的，這些攝像頭照出來的人臉我們都不希望對(duì)方看到，這是隱私問題?，F(xiàn)在用聯(lián)邦學(xué)習(xí)做這個(gè)事已經(jīng)做通了，而且已經(jīng)在幾個(gè)工地上使用了。

第三個(gè)案例是語(yǔ)音識(shí)別，語(yǔ)音識(shí)別的數(shù)據(jù)很多，又有不同的細(xì)分場(chǎng)景，比如保險(xiǎn)客服領(lǐng)域的語(yǔ)音識(shí)別、質(zhì)量檢測(cè)的語(yǔ)音識(shí)別等，這些數(shù)據(jù)可能來自不同的數(shù)據(jù)收集方，他們也不愿意把數(shù)據(jù)給對(duì)方，因?yàn)閿?shù)據(jù)本身是資源?，F(xiàn)在我們用聯(lián)邦學(xué)習(xí)把它們聯(lián)起來建立共享的ASR模型，現(xiàn)在也取得很好的成就。

聯(lián)邦學(xué)習(xí)必須生態(tài)化

聯(lián)邦學(xué)習(xí)像一個(gè)操作系統(tǒng)，你自己玩是不行的，它的特點(diǎn)是多方合作，只有多方都認(rèn)可，才有機(jī)會(huì)做起來，因此我們非常重視建立一個(gè)聯(lián)邦學(xué)習(xí)的生態(tài)。

為此我們?cè)趯W(xué)術(shù)界和工業(yè)界進(jìn)行了大量的宣傳，希望大家今后都來參加。8月12日，IJCAI會(huì)議將在澳門舉行一次開放的FML，是一整天的研討會(huì)，有很多業(yè)界的人將會(huì)做演講。

同時(shí)我們做了很多開源項(xiàng)目，不只是我們，全世界各地都在做聯(lián)邦學(xué)習(xí)的開源項(xiàng)目，希望大家積極參與進(jìn)來。我們也FATE系統(tǒng)捐獻(xiàn)給了Linux Foundation。

同時(shí)我們也正在推進(jìn)建立國(guó)際標(biāo)準(zhǔn)IEEE P3652.1，8月11日在澳門召開第三次會(huì)議，現(xiàn)在進(jìn)度很快，參與公司也很多。同時(shí)我們也在國(guó)內(nèi)建立標(biāo)準(zhǔn)，工信部剛剛推出了第一個(gè)聯(lián)邦學(xué)習(xí)的團(tuán)體標(biāo)準(zhǔn)，下一步要推行國(guó)家標(biāo)準(zhǔn)。

我們推標(biāo)準(zhǔn)的原因是，聯(lián)邦學(xué)習(xí)要像操作系統(tǒng)一樣，是機(jī)構(gòu)和機(jī)構(gòu)之間的交流語(yǔ)言，機(jī)構(gòu)合作首先得有語(yǔ)言（字典），得大家都說這個(gè)語(yǔ)言才能做起來，所以我們非常熱衷建立這樣的標(biāo)準(zhǔn)，并把它推行開來。也希望大家按照這樣的方式參與到IEEE的標(biāo)準(zhǔn)委員會(huì)來。謝謝大家。雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。